【OpenCV 图像基础】2.3图像基本处理：图像滤波与增强

目录

1.图像滤波简介 

​2.线性滤波：方框滤波 

3.线性滤波：均值滤波

4.线性滤波： 高斯滤波 

5.非线性滤波：中值滤波

6.非线性滤波：双边滤波 

7.直方图均衡化 

8.Gamma变化 

---

1.图像滤波简介 

2.线性滤波：方框滤波 

如未归一化则滤波（卷积）运算的结果很可能大于255，会显示白色。通过代码对比归一化与否的结果。

代码：

import cv2
import numpy as np
img = cv2.imread('girl2.png',cv2.IMREAD_UNCHANGED)
r = cv2.boxFilter(img, -1 , (7,7) , normalize = 1) # -1为目标图像深度默认值
d = cv2.boxFilter(img, -1 , (3,3) , normalize = 0)
cv2.namedWindow('img',cv2.WINDOW_AUTOSIZE) # 窗口的大小根据图像的大小自动调整
cv2.namedWindow('r',cv2.WINDOW_AUTOSIZE)
cv2.namedWindow('d',cv2.WINDOW_AUTOSIZE)
cv2.imshow('img',img)
cv2.imshow('r',r)
cv2.imshow('d',d)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

3.线性滤波：均值滤波

代码：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('image/opencv.png')
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)# plt用的方式是RGB，故需转化
blur = cv2.blur(img,(11,11))
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

输出：

4.线性滤波： 高斯滤波 

代码：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('image/median.png')
img = cv.cvtColor(img,cv.COLOR_BGR2RGB)
blur = cv.GaussianBlur(img,(7,7),7)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

输出：

5.非线性滤波：中值滤波

代码：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = cv.imread('image/median.png')
median = cv.medianBlur(img,7)

plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(median),plt.title('median')
plt.xticks([]), plt.yticks([])
plt.show()

输出：

6.非线性滤波：双边滤波 

关于2个sigma参数：

简单起见，可以令2个sigma的值相等； 如果他们很小（小于10），那么滤波器几乎没有什么效果； 如果他们很大（大于150），那么滤波器的效果会很强，使图像显得非常卡通化； 关于参数d：过大的滤波器（d>5）执行效率低。 对于实时应用，建议取d=5； 对于需要过滤严重噪声的离线应用，可取d=9； d>0时，由d指定邻域直径； d<=0时，d会自动由sigmaSpace的值确定，且d与sigmaSpace成正比；

代码：

import cv2
from matplotlib import pyplot as plt
img = cv2.imread('image/bilateral.png')
img = cv2.cvtColor(img,cv.COLOR_BGR2RGB)
blur = cv2.bilateralFilter(img,-1,15,10)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

输出：

7.直方图均衡化 

灰度图均衡化，代码： 

#导入opencv
import cv2
#直接读为灰度图像
img = cv2.imread('./image/dark.png',0)
cv2.imshow("dark",img)
cv2.waitKey(0)
#调用cv2.equalizeHist函数进行直方图均衡化
img_equal = cv2.equalizeHist(img)

cv2.imshow("img_equal",img_equal)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

彩色图均衡化，代码： 

import cv2
import numpy as np
img = cv2.imread("./image/dark1.jpg")
cv2.imshow("src", img)
# 彩色图像均衡化,需要分解通道 对每一个通道均衡化
(b, g, r) = cv2.split(img)
bH = cv2.equalizeHist(b)
gH = cv2.equalizeHist(g)
rH = cv2.equalizeHist(r)
# 合并每一个通道
result = cv2.merge((bH, gH, rH))
cv2.imshow("dst", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

8.Gamma变化 

  代码： 

import cv2
import numpy as np
img=cv2.imread('./image/dark1.jpg')
def adjust_gamma(image, gamma=1.0):
    invGamma = 1.0/gamma
    table = []
    for i in range(256):
        table.append(((i / 255.0) ** invGamma) * 255)
    table = np.array(table).astype("uint8")
    print(table)
    return cv2.LUT(image, table)

img_gamma = adjust_gamma(img, 1.5)
#print(img_gamma)
cv2.imshow("img",img)
cv2.imshow("img_gamma",img_gamma)

cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

[  0   6  10  13  15  18  20  23  25  27  29  31  33  35  36  38  40  41
  43  45  46  48  49  51  52  54  55  57  58  59  61  62  63  65  66  67
  69  70  71  72  74  75  76  77  79  80  81  82  83  84  86  87  88  89
  90  91  92  93  95  96  97  98  99 100 101 102 103 104 105 106 107 108
 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126
 127 128 129 130 131 132 132 133 134 135 136 137 138 139 140 141 142 142
 143 144 145 146 147 148 149 149 150 151 152 153 154 155 155 156 157 158
 159 160 161 161 162 163 164 165 166 166 167 168 169 170 170 171 172 173
 174 175 175 176 177 178 179 179 180 181 182 182 183 184 185 186 186 187
 188 189 189 190 191 192 193 193 194 195 196 196 197 198 199 199 200 201
 202 202 203 204 205 205 206 207 208 208 209 210 211 211 212 213 213 214
 215 216 216 217 218 219 219 220 221 221 222 223 224 224 225 226 226 227
 228 228 229 230 231 231 232 233 233 234 235 235 236 237 238 238 239 240
 240 241 242 242 243 244 244 245 246 246 247 248 248 249 250 250 251 252
 252 253 254 255]